Physical AI,
연구에서 현장으로.

Vision-Language-Action 모델은 시각 정보와 언어 지시를 바탕으로 로봇 행동을 생성합니다. 장면을 설명하는 데 그치는 시각·언어 모델과 달리, 물리적 실행으로 이어지는 출력이 필요합니다.

현장에서는
로봇의 관절·그리퍼·카메라 구성이 달라져도 같은 모델을 사용할 수 있는지 확인해야 합니다.

정책(policy)은 관찰한 상태에서 어떤 행동을 선택할지 정하는 규칙 또는 모델입니다. 행동 청크는 앞으로 수행할 여러 동작을 묶어 예측하는 방식입니다. 매 순간 다시 계산하는 부담을 줄일 수 있지만, 실행 도중 상황이 바뀌면 재관찰과 수정이 필요합니다.

현장에서는
추론 속도뿐 아니라 센서 지연, 실행 지연, 재계획 주기를 함께 봐야 합니다.

모방학습은 사람이 원격조작하거나 직접 수행한 시연에서 행동을 학습합니다. 성공 시연은 중요한 학습 자료이지만, 정상적인 진행만 익히면 예상하지 못한 상태나 실패 이후의 복구에 취약할 수 있습니다.

현장에서는
데이터의 양과 함께 실패·복구 상황과 작업 조건의 다양성을 확인해야 합니다.

강화학습은 행동의 결과에 주어지는 보상을 바탕으로 정책을 개선합니다. 원하는 목표를 보상으로 표현하고 반복적으로 시험할 수 있어야 합니다. 실제 장비에서 무제한으로 실패를 경험하게 할 수 없다는 점이 로봇 학습의 중요한 제약입니다.

현장에서는
보상 점수가 높아지는 행동이 실제 공정의 품질과 안전에도 부합하는지 확인해야 합니다.

체화 추론(embodied reasoning)은 물체의 위치, 도달 가능성, 도구의 용도, 작업 순서처럼 실제 행동에 필요한 관계를 판단하는 과정입니다. 자연어 설명을 잘하는 능력과 로봇이 수행할 수 있는 계획을 만드는 능력은 같지 않습니다.

현장에서는
상위 계획의 실행 가능성을 하위 제어기와 실제 센서로 검증해야 합니다.

월드 모델은 환경이 어떻게 변할지 예측하거나 생성합니다. 다음 장면을 만드는 비디오 모델부터 행동에 따른 상태 변화를 예측하는 모델까지 범위가 넓습니다. 모델이 제공하는 표현과 정확도에 따라 학습·계획·평가에서 맡을 역할이 달라집니다.

현장에서는
영상의 자연스러움과 물리적 정확성을 별도로 평가해야 합니다.

시뮬레이션에서 익힌 정책을 실제 환경으로 옮기는 과정입니다. 조명과 배경뿐 아니라 접촉, 마찰, 지연, 구동기 특성에서도 차이가 발생합니다. 도메인 랜덤화는 다양한 조건을 학습시키는 방법이지만, 모든 차이를 해결하는 보장은 아닙니다.

현장에서는
실제 공정에서 중요한 변동 조건을 가상 시험과 실물 시험에 모두 포함해야 합니다.

폐루프(closed-loop)는 행동을 실행한 결과를 센서로 관찰하고 다음 행동을 수정하는 구조입니다. 작업을 한 번 계획한 뒤 그대로 실행하는 방식과 다릅니다. 로봇이 예상과 다른 상태를 감지하고 멈추거나 복구할 수 있는지가 중요합니다.

현장에서는
성공률과 함께 이상 감지, 복구, 사람의 개입 빈도, 안전 정지 절차를 확인해야 합니다.